工業大數據分析實踐

田春華,李闖,劉家揚 等

  • 出版商: 電子工業
  • 出版日期: 2020-01-01
  • 售價: $600
  • 貴賓價: 9.5$570
  • 語言: 簡體中文
  • 頁數: 344
  • 裝訂: 平裝
  • ISBN: 7121403110
  • ISBN-13: 9787121403118
  • 相關分類: 大數據 Big-dataData Science
  • 銷售排行: 🥇 2022/11 簡體中文書 銷售排行 第 1 名

    立即出貨 (庫存 < 4)

買這商品的人也買了...

商品描述

本書以工業大數據的特點和需求為牽引,闡述了工業大數據分析的工程方法論,針對設備故障診斷與健康管理(Prognostics & Health Management,PHM)、生產質量分析(Product Quality Management,PQM)、生產效率優化(Production Efficiency Management,PEM)等提出了具體的分析課題定義方法,給出了典型分析場景和算法框架,並系統總結了工業大數據領域的常用分析算法(特別是時序挖掘算法),最後以6個實際案例從不同方面詮釋了工業大數據分析項目的復雜性和多樣性,包括純數據驅動、專家知識驅動、機器學習與機理模型結合等類型的分析課題,以期形成工業大數據分析的工程化方法體系。本書適合工業行業中從事數據分析、數字化轉型、數據平臺規劃的專業人員閱讀,也可為其他從事行業數據分析的專業人員及高等院校數據挖掘的研究人員提供參考。

作者簡介

田春華,博士,北京工業大數據創新中心首席數據科學家,曾在IBM中國研究院擔任研究經理。專注數據挖掘算法、產品及行業應用開發工作,有豐富的行業實踐經驗,幫助裝備製造、石油化工、電子製造、能源電力、航空與港口等領域的幾十家國際和領先企業,成功實施資產管理、運營優化、營銷洞察等數據分析項目。參與了多個工業大數據相關標準的製定工作、白皮書的編寫工作、競賽支持工作及多個國際學術會議的組織工作。發表學術論文近百篇,獲得40餘項國際和專利授權。

目錄大綱

目 錄

章 工業大數據概論 001
1.1 工業大數據產生的背景 001
1.1.1 工業的數字化轉型之路 001
1.1.2 支撐技術的演化 002
1.1.3 對工業大數據的期望 003
1.1.4 各國的戰略 003
1.2 工業大數據的典型應用場景 004
1.2.1 業務領域視角 004
1.2.2 應用系統視角 005
1.3 工業大數據的特點與關鍵技術 006
1.3.1 特點 006
1.3.2 關鍵技術 008
1.4 本章小結 012
參考文獻 014
第2章 工業大數據分析概論 016
2.1 工業大數據分析的特點與挑戰 016
2.1.1 數據視角 016
2.1.2 應用視角 017
2.2 工業大數據分析的範疇 018
2.2.1 典型分析主題 018
2.2.2 分析模型的形態與融合方式 021
2.2.3 分析模型的應用模式 023
2.3 工業大數據分析的關鍵技術 024
2.3.1 模型和算法 024
2.3.2 分析項目管理方法與工程化 025
2.3.3 數據分析軟件與平台 025
2.4 本章小結 025
參考文獻 026
第3章 工業大數據分析的工程方法 027
3.1 CRISP-DM方 027
3.1.1 CRISP-DM方簡介 027
3.1.2 分析問題的實際執行路徑 028
3.2 數據驅動的機器學習工程方法 030
3.2.1 分析問題識別與定義 031
3.2.2 業務理解 034
3.2.3 數據理解 041
3.2.4 數據準備 042
3.2.5 模型建立 042
3.2.6 模型評價 043
3.2.7 模型部署 044
3.3 專家規則開發的工程方法 044
3.3.1 業務規則的技術和方法 045
3.3.2 專家規則的特點 047
3.3.3 專家規則開發的AI-FIT-PM方 049
3.3.4 專家規則模型對軟件平台的需求 054
3.4 本章小結 055
參考文獻 056
第4章 設備故障診斷與健康管理(PHM) 058
4.1 工業設備管理的現狀與需求 058
4.1.1 工業設備分類 059
4.1.2 運維管理 060
4.1.3 狀態監測與故障診斷 062
4.1.4 相關標準 064
4.2 PHM的分析範疇與特點 066
4.2.1 術語約定與名詞辨析 066
4.2.2 PHM的內容 067
4.2.3 PHM的應用模式 069
4.3 PHM分析問題定義:CRAB四步法 070
4.3.1 業務上下文理解 070
4.3.2 資源能力分析 072
4.3.3 業務模式與技術方案分析 075
4.3.4 執行路線 075
4.4 PHM分析主題 077
4.4.1 技術挑戰 077
4.4.2 技術路線 078
4.4.3 傳感器數據處理 080
4.4.4 狀態監測 088
4.4.5 健康管理 091
4.4.6 故障診斷 091
4.4.7 故障預測 092
4.4.8 運維優化 097
4.4.9 專家規則引擎 099
4.5 PHM的數據模型與應用架構 113
4.5.1 PHM的數據模型 113
4.5.2 PHM的應用架構 118
4.6 本章小結 124
參考文獻 124
第5章 生產質量分析(PQM) 126
5.1 PQM的分析範疇與特點 126
5.1.1 PQM的特點 126
5.1.2 PQM分析場景 128
5.1.3 PQM的5個層面 130
5.1.4 PQM的應用 131
5.2 PQM分析問題定義:CAPE方法 132
5.2.1 業務上下文理解 132
5.2.2 數據資產評估 136
5.2.3 設計與計劃 138
5.2.4 部署與評估 140
5.3 PQM分析主題 140
5.3.1 基礎分析 141
5.3.2 質量時空模式分析 145
5.3.3 質量異常預警 147
5.3.4 控制參數優化 148
5.3.5 質量根因分析 151
5.4 PQM的數據模型與應用架構 152
5.4.1 PQM的數據模型 152
5.4.2 PQM的應用架構 156
5.5 本章小結 157
參考文獻 159
第6章 生產效率優化(PEM) 160
6.1 PEM的分析範疇與特點 160
6.1.1 PEM的內容 160
6.1.2 PEM的常見誤區 161
6.2 PEM分析問題定義:SOFT方法 163
6.2.1 PEM的要素 163
6.2.2 PEM分析問題定義的SOFT方法 165
6.2.3 PEM分析問題探索 168
6.3 PEM分析主題 168
6.3.1 能力規劃 168
6.3.2 生產計劃與排程 169
6.3.3 動態調整 171
6.3.4 物耗能耗優化 171
6.4 本章小結 173
參考文獻 173
第7章 其他分析主題 175
7.1 生產安全分析 175
7.1.1 微觀管理 175
7.1.2 宏觀管理 178
7.2 營銷優化分析 179
7.3 研發數據分析 180
7.4 本章小結 184
參考文獻 185
第8章 工業大數據分析算法 186
8.1 統計分析算法 186
8.1.1 描述性統計 186
8.1.2 推斷統計 187
8.2 機器學習算法 192
8.2.1 回歸 192
8.2.2 分類 195
8.2.3 聚類 196
8.2.4 降維 197
8.2.5 關聯規則 198
8.2.6 近期發展 198
8.2.7 模型評價 203
8.2.8 不同算法的要求 207
8.3 時序數據挖掘算法 208
8.3.1 時序分割 209
8.3.2 時序分解 212
8.3.3 時序再表徵 217
8.3.4 序列模式 219
8.3.5 異常檢測 223
8.3.6 時序聚類 223
8.3.7 時序分類 225
8.3.8 時序預測 226
8.3.9 可視化 227
8.3.10 工具與應用 228
8.4 工業知識圖譜 230
8.4.1 知識圖譜的構建過程與應用技術 231
8.4.2 知識圖譜實踐建議 232
8.5 其他算法 234
8.5.1 系統辨識算法 234
8.5.2 運籌優化算法 235
8.5.3 規則推理算法 237
8.5.4 基於遺傳算法的特徵提取算法 238
8.6 本章小結 240
參考文獻 240
第9章 工業大數據平台技術 242
9.1 工業大數據對平台的需求 242
9.1.1 數據負載特性 243
9.1.2 數據分析的特點 244
9.1.3 數據應用的需求 246
9.2 工業大數據平台架構 247
9.2.1 功能架構 247
9.2.2 關鍵技術 248
9.3 數據接入 250
9.3.1 時序數據接入 250
9.3.2 非結構化數據接入 251
9.3.3 時序數據消息隊列 251
9.3.4 數據ETL服務 252
9.4 數據管理 252
9.4.1 數據治理管理 252
9.4.2 時序數據庫(TSDB) 253
9.4.3 時序數據倉庫(TSDW) 253
9.4.4 對像數據存儲服務(OBJ) 255
9.4.5 數據查詢服務 256
9.5 數據分析 256
9.5.1 應用方式 259
9.5.2 關鍵技術:分組識別和匹配技術 259
9.5.3 關鍵技術:非侵入式封裝技術 261
9.6 本章小結 262
參考文獻 265
0章 工業大數據分析案例 266
10.1 風電大數據分析 266
10.1.1 概述 266
10.1.2 實例一:運行邊界探索用於設計優化 270
10.1.3 實例二:機器學習用於運維優化 272
10.1.4 實例三:風電機理與機器學習的深度融合 280
10.1.5 小結 283
10.2 透平設備智能運維 284
10.2.1 業務問題 284
10.2.2 故障預警知識庫 286
10.2.3 小結 288
10.3 氣化爐參數優化 289
10.3.1 業務問題 289
10.3.2 氣化裝置建模面臨的技術挑戰 290
10.3.3 基於多模態學習的氣化爐操作參數優化技術 292
10.3.4 小結 299
10.4 磨煤機堵磨預警 300
10.4.1 業務問題 301
10.4.2 磨煤機的動力學模型 302
10.4.3 小結 310
10.5 沖壓排產優化 310
10.5.1 業務問題 310
10.5.2 沖壓排產計劃 311
10.5.3 小結 314
10.6 軌道車輛懸掛系統故障診斷 315
10.6.1 業務問題 315
10.6.2 問題描述 316
10.6.3 技術挑戰 317
10.6.4 算法實現 319
10.6.5 小結 322
10.7 本章小結 323
參考文獻 324